Viễn thám là gì? Các công bố khoa học về Viễn thám

Trong công trình này, chúng tôi mô tả ngắn gọn những đặc điểm nổi bật nhất của WSXM, một phần mềm miễn phí cho viển thám hiển vi dựa trên hệ điều hành MS-Windows. Bài báo được cấu trúc thành ba phần khác nhau: Phần giới thiệu là một cái nhìn tổng quan về tầm quan trọng của phần mềm trong viển thám hiển vi. Phần thứ hai được dành riêng để mô tả cấu trúc tổng quát của ứng dụng; trong phần này, những khả năng của WSXM để đọc các tệp bên thứ ba được nhấn mạnh. Cuối cùng, một cuộc thảo luận chi tiết về một số quy trình quan trọng của phần mềm được thực hiện.

Tóm tắt. Hệ thống Cân bằng Năng lượng Bề mặt (SEBS) được đề xuất để ước lượng các dòng hỗn loạn khí quyển và phân số bay hơi bằng cách sử dụng dữ liệu quan sát Trái đất từ vệ tinh, kết hợp với thông tin khí tượng ở các quy mô phù hợp. SEBS bao gồm: một bộ công cụ để xác định các tham số vật lý của bề mặt đất, chẳng hạn như độ phản xạ, độ phát xạ, nhiệt độ, tỷ lệ che phủ thực vật, v.v., từ các phép đo phản xạ và bức xạ quang phổ; một mô hình để xác định chiều dài thô cho chuyển giao nhiệt; và một công thức mới để xác định phân số bay hơi dựa trên cân bằng năng lượng ở các trường hợp giới hạn. Bốn bộ dữ liệu thực nghiệm được sử dụng để đánh giá độ tin cậy của SEBS. Dựa trên các nghiên cứu trường hợp này, SEBS đã chứng minh khả năng ước lượng các dòng nhiệt hỗn loạn và phân số bay hơi ở nhiều quy mô khác nhau với độ chính xác chấp nhận được. Các độ không chắc chắn trong các dòng nhiệt ước lượng là so sánh được với các độ không chắc chắn trong các phép đo tại chỗ. Từ khóa: Cân bằng năng lượng bề mặt, dòng nhiệt hỗn loạn, bay hơi, viễn thám

Việc đảo ngược chính xác các biến số địa/vật lý bề mặt đất từ dữ liệu viễn thám cho các ứng dụng quan sát trái đất là một chủ đề thiết yếu và đầy thách thức đối với nghiên cứu biến đổi toàn cầu. Nhiệt độ bề mặt đất (LST) là một trong những tham số chính trong vật lý của các quá trình bề mặt trái đất từ quy mô địa phương đến toàn cầu. Tầm quan trọng của LST đang ngày càng được công nhận và có một sự quan tâm mạnh mẽ trong việc phát triển các phương pháp đo LST từ không gian. Cảm biến Hồng ngoại Nhiệt (TIRS) của Landsat 8 là cảm biến hồng ngoại nhiệt mới nhất của dự án Landsat, cung cấp hai dải nhiệt kế bên nhau, điều này có lợi lớn cho việc đảo ngược LST. Trong bài báo này, chúng tôi so sánh ba phương pháp khác nhau để đảo ngược LST từ TIRS, bao gồm phương pháp dựa trên phương trình truyền bức xạ, thuật toán cửa sổ kép và phương pháp kênh đơn. Bốn địa điểm giám sát cân bằng năng lượng từ Mạng lưới Ngân sách Bức xạ Bề mặt (SURFRAD) được sử dụng để thẩm định, kết hợp với sản phẩm độ phát xạ MODIS 8 ngày. Đối với các địa điểm và cảnh quan được điều tra, kết quả cho thấy rằng LST đảo ngược từ phương pháp dựa trên phương trình truyền bức xạ sử dụng dải 10 có độ chính xác cao nhất với RMSE thấp hơn 1 K, trong khi thuật toán SW có độ chính xác trung bình và phương pháp SC có độ chính xác thấp nhất.

Tóm tắt. Một phiên bản mới của bản đồ toàn cầu số về các khu vực tưới tiêu đã được phát triển bằng cách kết hợp các thống kê về tưới tiêu cho 10.825 đơn vị thống kê cấp quốc gia và thông tin địa không gian về vị trí và quy mô của các kế hoạch tưới tiêu. Bản đồ thể hiện tỷ lệ phần trăm của mỗi ô 5 phút cung đường x 5 phút được trang bị cho tưới tiêu vào khoảng năm 2000. Do đó, đây là một tập dữ liệu quan trọng cho các nghiên cứu toàn cầu liên quan đến nguồn nước và sử dụng đất. Bài báo này mô tả tập dữ liệu và phương pháp lập bản đồ, đồng thời cung cấp, lần đầu tiên, ước lượng về chất lượng bản đồ ở quy mô các quốc gia, vùng miền trên thế giới và toàn cầu. Hai chỉ số chất lượng bản đồ đã được phát triển cho mục đích này, và bản đồ đã được so sánh với các khu vực tưới tiêu như được xác định từ hai cuộc khảo sát phủ đất toàn cầu dựa trên cảm biến từ xa.

Đất ngập nước là một trong những hệ sinh thái quan trọng nhất, cung cấp môi trường sống lý tưởng cho một loạt lớn các loài thực vật và động vật. Lập bản đồ và mô hình hóa đất ngập nước sử dụng dữ liệu Quan Sát Trái Đất (EO) là điều thiết yếu cho quản lý tài nguyên thiên nhiên ở cả cấp độ khu vực và quốc gia. Tuy nhiên, việc lập bản đồ đất ngập nước chính xác là một thách thức, đặc biệt là trên quy mô lớn, do cảnh quan đa dạng và bị phân mảnh, cũng như sự tương đồng phổ giữa các lớp đất ngập nước khác nhau. Hiện tại, thiếu các kiểm kê đất ngập nước chính xác, nhất quán và toàn diện ở quy mô quốc gia hoặc tỉnh trên toàn cầu, với hầu hết các nghiên cứu tập trung vào việc tạo bản đồ quy mô địa phương từ dữ liệu viễn thám có giới hạn. Tận dụng sức mạnh tính toán của Google Earth Engine (GEE) và sự sẵn có của dữ liệu viễn thám có độ phân giải không gian cao được thu thập bởi Copernicus Sentinels, nghiên cứu này giới thiệu bản đồ kiểm kê đất ngập nước chi tiết đầu tiên ở cấp độ tỉnh của một trong các tỉnh giàu đất ngập nước nhất ở Canada về mặt mở rộng đất ngập nước. Cụ thể, dữ liệu tổng hợp từ nhiều năm radar khẩu độ tổng hợp (SAR) Sentinel-1 mùa hè và quang học Sentinel-2 được sử dụng để xác định sự phân bố không gian của năm lớp đất ngập nước và ba lớp không phải đất ngập nước trên Đảo Newfoundland, bao phủ diện tích xấp xỉ 106,000 km2. Các kết quả phân loại được đánh giá bằng cách sử dụng cả phân loại kiểu dựa trên điểm ảnh và thể đối tượng, sử dụng phương pháp rừng ngẫu nhiên (RF) được triển khai trên nền tảng GEE. Kết quả cho thấy sự vượt trội của phương pháp dựa trên đối tượng so với phương pháp phân loại dựa trên điểm ảnh cho lập bản đồ đất ngập nước. Mặc dù việc phân loại sử dụng dữ liệu quang học nhiều năm chính xác hơn so với SAR, nhưng việc kết hợp cả hai loại dữ liệu đã cải thiện đáng kể độ chính xác phân loại của các lớp đất ngập nước. Đặc biệt, độ chính xác tổng thể đạt 88,37% và hệ số Kappa đạt 0,85 với tổ hợp SAR/quang học nhiều năm sử dụng phân loại RF dựa trên đối tượng, trong đó tất cả các lớp đất ngập nước và không phải đất ngập nước đều được xác định chính xác với độ chính xác lần lượt trên 70% và 90%. Kết quả cho thấy sự chuyển đổi từ các sản phẩm và phương pháp tĩnh tiêu chuẩn sang việc tạo ra các bản đồ phủ sóng đất ngập nước động, theo yêu cầu, quy mô lớn thông qua các tài nguyên điện toán đám mây tiên tiến, đơn giản hóa truy cập và xử lý 'Dữ liệu Toàn Địa'. Ngoài ra, bản đồ kiểm kê ngày càng đòi hỏi của Newfoundland rất có giá trị và có thể được sử dụng bởi nhiều bên liên quan, bao gồm các chính phủ liên bang và tỉnh, các thành phố, các tổ chức phi chính phủ và các chuyên gia môi trường, chỉ đề cập đến một số ít.

Mục tiêu: Nghiên cứu hiện tại có hai mục tiêu: đánh giá sự khác biệt giữa chấn thương thứ phát và kiệt sức nghề nghiệp, và kiểm tra tính hữu ích của chấn thương thứ phát trong việc dự đoán tình trạng tâm lý. Phương pháp: Dữ liệu đến từ một cuộc khảo sát các nhân viên xã hội (N = 236) sống ở Thành phố New York 20 tháng sau các vụ tấn công khủng bố 11 tháng 9 vào Tòa tháp Đôi (WTC). Kết quả: Sự tham gia của các nhân viên xã hội vào các nỗ lực phục hồi WTC liên quan đến chấn thương thứ phát nhưng không liên quan đến kiệt sức. Các phân tích cũng cho thấy cả chấn thương thứ phát và kiệt sức đều liên quan đến tình trạng tâm lý sau khi đã kiểm soát các yếu tố rủi ro khác. Kết luận: Nghiên cứu này hỗ trợ tầm quan trọng của mệt mỏi do cảm thông như một yếu tố rủi ro đối với các nhân viên xã hội tư vấn cho những khách hàng bị chấn thương và sự liên kết của nó với các vấn đề tâm lý.

Thông tin chính xác về nước mặt đô thị là rất quan trọng để đánh giá vai trò của nó trong các dịch vụ hệ sinh thái đô thị trong bối cảnh tồn tại của con người và biến đổi khí hậu. Việc chiết xuất chính xác các thủy vực đô thị từ hình ảnh là có ý nghĩa lớn đối với quy hoạch đô thị và phát triển kinh tế - xã hội. Trong bài báo này, một kiến trúc học sâu mới được đề xuất cho việc chiết xuất các thủy vực đô thị từ hình ảnh viễn thám độ phân giải cao. Đầu tiên, một thuật toán phân cụm tuyến tính lặp đơn giản thích ứng được áp dụng để phân đoạn hình ảnh viễn thám thành các siêu điểm ảnh chất lượng cao. Sau đó, một kiến trúc mạng nơ-ron tích chập (CNN) mới được thiết kế để có thể chiết xuất các đặc trưng cấp cao hữu ích của các thủy vực từ dữ liệu đầu vào trong một bối cảnh đô thị phức tạp và đánh dấu siêu điểm ảnh là một trong hai loại: điểm ảnh có nước hoặc không có nước. Cuối cùng, một hình ảnh độ phân giải cao của các siêu điểm ảnh đã được chiết xuất nước được tạo ra. Kết quả thí nghiệm cho thấy phương pháp được đề xuất đạt được độ chính xác cao hơn trong việc chiết xuất nước từ các hình ảnh viễn thám độ phân giải cao so với các phương pháp truyền thống, và độ chính xác tổng thể trung bình đạt 99,14%.

Các bộ phân loại học máy ngày nay đang được sử dụng ngày càng nhiều cho việc lập bản đồ Sử dụng Đất và Phủ Lớp (LULC) từ hình ảnh viễn thám. Tuy nhiên, để chọn đúng bộ phân loại cần phải hiểu các yếu tố chính ảnh hưởng đến hiệu suất của chúng. Nghiên cứu hiện tại đã điều tra trước hết là tác động của thiết kế lấy mẫu huấn luyện đến kết quả phân loại thu được bởi bộ phân loại Random Forest (RF), và thứ hai là so sánh hiệu suất của nó với các bộ phân loại học máy khác cho việc lập bản đồ LULC sử dụng dữ liệu viễn thám vệ tinh đa thời gian và nền tảng Google Earth Engine (GEE). Chúng tôi đã đánh giá tác động của ba phương pháp lấy mẫu, cụ thể là Lấy Mẫu Ngẫu Nhiên Phân Tầng Đều (SRS(Eq)), Lấy Mẫu Ngẫu Nhiên Phân Tầng Theo Tỷ Lệ (SRS(Prop)), và Lấy Mẫu Hệ Thống Phân Tầng (SSS) đến kết quả phân loại thu được bởi mô hình LULC được huấn luyện RF. Kết quả của chúng tôi cho thấy rằng phương pháp SRS(Prop) có lợi cho các lớp lớn đồng thời đạt được độ chính xác tổng thể tốt. Phương pháp SRS(Eq) cung cấp độ chính xác tốt ở cấp độ lớp, ngay cả đối với các lớp thiểu số, trong khi phương pháp SSS hoạt động tốt cho các khu vực có độ biến đổi trong lớp lớn. Để đánh giá hiệu suất của các bộ phân loại học máy, RF vượt trội hơn Cây Phân Loại và Hồi Quy (CART), Máy Vector Hỗ Trợ (SVM), và Máy Vector Liên Quan (RVM) với mức độ tin cậy >95%. Hiệu suất của các bộ phân loại CART và SVM được thấy là tương tự nhau. RVM đạt được kết quả phân loại tốt với số lượng mẫu huấn luyện hạn chế.